MENU
Nasze ceny
Machine learning, Python i data science. Wprowadzenie - ebook
Machine learning, Python i data science. Wprowadzenie - ebook
Uczenie maszynowe kojarzy się z dużymi firmami i rozbudowanymi zespołami. Prawda jest taka, że obecnie można samodzielnie budować zaawansowane rozwiązania uczenia maszynowego i korzystać do woli z olbrzymich zasobów dostępnych danych. Trzeba tylko mieć pomysł i... trochę podstawowej wiedzy. Tymczasem większość opracowań na temat uczenia maszynowego i sztucznej inteligencji wymaga biegłości w zaawansowanej matematyce. Utrudnia to naukę tego zagadnienia, mimo że uczenie maszynowe jest coraz powszechniej stosowane w projektach badawczych i komercyjnych.
Ta praktyczna książka ułatwi Ci rozpoczęcie wdrażania rozwiązań rzeczywistych problemów związanych z uczeniem maszynowym. Zawiera przystępne wprowadzenie do uczenia maszynowego i sztucznej inteligencji, a także sposoby wykorzystania Pythona i biblioteki scikit-learn, uwzględniające potrzeby badaczy i analityków danych oraz inżynierów pracujących nad aplikacjami komercyjnymi. Zagadnienia matematyczne ograniczono tu do niezbędnego minimum, zamiast tego skoncentrowano się na praktycznych aspektach algorytmów uczenia maszynowego. Dokładnie opisano, jak konkretnie można skorzystać z szerokiej gamy modeli zaimplementowanych w dostępnych bibliotekach.
W książce między innymi:
- podstawowe informacje o uczeniu maszynowym
- najważniejsze algorytmy uczenia maszynowego
- przetwarzanie danych w uczeniu maszynowym
- ocena modelu i dostrajanie parametrów
- łańcuchy modeli i hermetyzacja przepływu pracy
- przetwarzanie danych tekstowych
Python i uczenie maszynowe: programowanie do zadań specjalnych!
Spis treści
Przedmowa 7
1. Wprowadzenie 13
- Dlaczego uczenie maszynowe? 13
- Problemy, które może rozwiązać uczenie maszynowe 14
- Znajomość zadania i znajomość danych 16
- Dlaczego Python? 17
- scikit-learn 17
- Instalacja scikit-learn 17
- Podstawowe biblioteki i narzędzia 18
- Jupyter Notebook 18
- NumPy 19
- SciPy 19
- matplotlib 20
- pandas 21
- mglearn 22
- Python 2 a Python 3 22
- Wersje użyte w tej książce 23
- Pierwsza aplikacja: klasyfikacja gatunków irysa 24
- Zapoznaj się z danymi 25
- Sprawdzanie osiągnięcia sukcesu: dane treningowe i testowe 27
- Najpierw najważniejsze: zapoznaj się z danymi 28
- Budowa pierwszego modelu: k-najbliżsi sąsiedzi 30
- Przewidywania 31
- Ocena modelu 32
- Podsumowanie i przegląd 32
2. Nadzorowane uczenie maszynowe 35
- Klasyfikacja i regresja 35
- Uogólnianie, nadmierne dopasowanie i niedopasowanie 36
- Relacja złożoności modelu do rozmiaru zestawu danych 38
- Nadzorowane algorytmy uczenia maszynowego 39
- Przykładowe zestawy danych 39
- k-najbliższych sąsiadów 43
- Modele liniowe 50
- Naiwne klasyfikatory Bayesa 69
- Drzewa decyzyjne 70
- Zespoły drzew decyzyjnych 81
- Maszyny wektorów nośnych 88
- Sieci neuronowe (głębokie uczenie) 98
- Szacunki niepewności na podstawie klasyfikatorów 109
- Funkcja decyzyjna 110
- Prognozy prawdopodobieństw 112
- Niepewność w klasyfikacji wieloklasowej 114
- Podsumowanie i przegląd 116
3. Uczenie nienadzorowane i przetwarzanie wstępne 119
- Rodzaje nienadzorowanego uczenia maszynowego 119
- Wyzwania związane z uczeniem nienadzorowanym 120
- Przetwarzanie wstępne i skalowanie 120
- Różne rodzaje przetwarzania wstępnego 121
- Zastosowanie transformacji danych 122
- Skalowanie danych treningowych i testowych w ten sam sposób 124
- Wpływ przetwarzania wstępnego na uczenie nadzorowane 126
- Redukcja wymiarowości, wyodrębnianie cech i wielorakie uczenie 127
- Analiza głównych komponentów (PCA) 127
- Nieujemna faktoryzacja macierzy (NMF) 140
- Manifold learning z t-SNE 146
- Grupowanie 150
- Grupowanie k-średnich 150
- Grupowanie aglomeracyjne 160
- DBSCAN 164
- Porównanie i ocena algorytmów grupowania 168
- Podsumowanie metod grupowania 181
- Podsumowanie i przegląd 181
4. Reprezentacja danych i cechy inżynierskie 183
- Zmienne kategorialne 184
- Kodowanie jeden-z-N (zmienne fikcyjne) 185
- Liczby mogą kodować zmienne kategorialne 189
- Dzielenie, dyskretyzacja, modele liniowe i drzewa 190
- Interakcje i wielomiany 194
- Jednowymiarowe transformacje nieliniowe 200
- Automatyczny wybór cechy 203
- Statystyki jednoczynnikowe 203
- Wybór cechy na podstawie modelu 205
- Iteracyjny wybór cech 206
- Wykorzystanie wiedzy eksperckiej 208
- Podsumowanie i przegląd 215
5. Ocena i doskonalenie modelu 217
- Walidacja krzyżowa 218
- Walidacja krzyżowa w scikit-learn 218
- Korzyści z walidacji krzyżowej 219
- Stratyfikowana k-krotna walidacja krzyżowa i inne strategie 220
- Przeszukiwanie siatki 225
- Proste przeszukiwanie siatki 226
- Nadmierne dopasowanie parametrów i zestaw walidacyjny 226
- Przeszukiwanie siatki z walidacją krzyżową 228
- Wskaźniki oceny i punktacja 238
- Pamiętaj o celu 239
- Metryki klasyfikacji binarnej 239
- Metryki klasyfikacji wieloklasowej 257
- Metryki regresji 260
- Używanie metryk oceny w wyborze modelu 260
- Podsumowanie i przegląd 262
6. Łańcuchy algorytmów i potoki 263
- Wybór parametrów z przetwarzaniem wstępnym 264
- Tworzenie potoków 265
- Używanie potoków w przeszukiwaniu siatki 266
- Ogólny interfejs potoku 269
- Wygodne tworzenie potoków za pomocą funkcji make_pipeline 270
- Dostęp do atrybutów kroku 271
- Dostęp do atrybutów klasy GridSearchCV 271
- Kroki przetwarzania wstępnego przeszukiwania siatki i parametry modelu 273
- Przeszukiwanie siatki modeli 275
- Podsumowanie i przegląd 276
7. Praca z danymi tekstowymi 277
- Typy danych przedstawione jako ciągi znaków 277
- Przykładowe zastosowanie: analiza recenzji filmowych 279
- Przedstawianie danych tekstowych w postaci worka słów 281
- Stosowanie worka słów do przykładowego zestawu danych 282
- Zastosowanie worka słów do recenzji filmowych 283
- Słowa pomijalne 287
- Skalowanie danych z tf-idf 288
- Badanie współczynników modelu 290
- Worek słów z więcej niż jednym słowem (n-gram) 291
- Zaawansowana tokenizacja, stemming i lematyzacja 295
- Modelowanie tematów i grupowanie dokumentów 298
- Utajniona alokacja Dirichleta 299
- Podsumowanie i przegląd 305
8. Podsumowanie 307
- Podejście do problemu uczenia maszynowego 307
- Informowanie ludzi 308
- Od prototypu do produkcji 308
- Testowanie systemów na produkcji 309
- Tworzenie własnego estymatora 310
- Co dalej 311
- Teoria 311
- Inne narzędzia i pakiety do uczenia maszynowego 311
- Ranking, systemy rekomendujące i inne rodzaje uczenia 312
- Modelowanie probabilistyczne, wnioskowanie i programowanie probabilistyczne 312
- Sieci neuronowe 313
- Skalowanie do większych zestawów danych 313
- Doskonalenie umiejętności 314
- Podsumowanie 315
| Kategoria: | Programowanie |
| Zabezpieczenie: |
Watermark
|
| ISBN: | 978-83-283-7409-6 |
| Rozmiar pliku: | 13 MB |
